中國(guó)是世界農(nóng)業(yè)生產(chǎn)大國(guó),采摘業(yè)是農(nóng)業(yè)生產(chǎn)中的重要環(huán)節(jié),每年需要大量人力在指定季節(jié)內(nèi)快速集中采摘果實(shí)。隨著我國(guó)農(nóng)業(yè)從業(yè)人數(shù)的大幅下降和勞動(dòng)力成本的上升,急需開(kāi)展采摘機(jī)器人的研究,實(shí)現(xiàn)智能化采摘,其中果實(shí)目標(biāo)的定位檢測(cè)與分類識(shí)別的精度是至關(guān)重要的環(huán)節(jié)。因此,本文針對(duì)自然環(huán)境中的果實(shí),開(kāi)展了果實(shí)采摘機(jī)器人視覺(jué)系統(tǒng)的研究與設(shè)計(jì),為實(shí)現(xiàn)高性能采摘機(jī)器人奠定基礎(chǔ)。本文主要的研究工作及取得的研究成果如下:（1）針對(duì)果實(shí)采摘機(jī)器人視覺(jué)系統(tǒng)在農(nóng)業(yè)采摘中的需求,構(gòu)建了果實(shí)圖像數(shù)據(jù)庫(kù),完成了果實(shí)目標(biāo)定位與識(shí)別。首先研究了Faster R-CNN算法,用于果實(shí)目標(biāo)的定位檢測(cè);然后針對(duì)卷積神經(jīng)網(wǎng)絡(luò)VGGNet算法的網(wǎng)絡(luò)層數(shù)多、運(yùn)算量大、運(yùn)算時(shí)間長(zhǎng)等不足,根據(jù)本文實(shí)際場(chǎng)景需求,提出了改進(jìn)型VGGNet算法,使用Adam優(yōu)化算法替代傳統(tǒng)的隨機(jī)梯度下降算法,用于更新網(wǎng)絡(luò)的權(quán)值參數(shù)和自主調(diào)整學(xué)習(xí)速率,最終實(shí)現(xiàn)對(duì)果實(shí)目標(biāo)的分類識(shí)別。（2）搭建了視覺(jué)系統(tǒng)的硬件平臺(tái)和軟件環(huán)境,并開(kāi)展了室內(nèi)模擬實(shí)驗(yàn)。在Keras框架下編寫(xiě)視覺(jué)系統(tǒng)程序,進(jìn)行了5種果實(shí)的圖像數(shù)據(jù)訓(xùn)練并生成模型。在PC端對(duì)視覺(jué)系統(tǒng)測(cè)試成功后,將程序移植到樹(shù)莓派3b... 

【文章來(lái)源】：長(zhǎng)春理工大學(xué)吉林省

【文章頁(yè)數(shù)】：62 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

采摘機(jī)器人

第2章果實(shí)采摘機(jī)器人視覺(jué)系統(tǒng)的算法研究8方法1：平均值法平均值法是將彩色圖像數(shù)據(jù)中的RGB三個(gè)分量的像素值進(jìn)行平均，經(jīng)計(jì)算得到一個(gè)灰度值，公式如下：Gray(j)()GjiRi(j)++=()(jiBi)3,,,,（2-2）方法2：最大值法對(duì)于彩色圖像數(shù)據(jù)中的RGB三個(gè)分量，選擇亮度的最大值作為灰度圖的灰度值，公式如下：Gray(j)()GjiRi(j)++=(,,,max,){jiBi}（2-3）方法3：加權(quán)平均法加權(quán)平均法是一種最常用的灰度轉(zhuǎn)換方法，人眼對(duì)自然環(huán)境中的綠色最為敏感，對(duì)藍(lán)色敏感度最低，將三個(gè)分量以不同的權(quán)值進(jìn)行加權(quán)平均能得到較合理的灰度圖像，公式如下：Gray(j)()GjiRi(j)×+×+×=(,114.0,578.0,299.0,jiBi)（2-4）本文選用加權(quán)平均法對(duì)果實(shí)圖像進(jìn)行灰度轉(zhuǎn)換，得到的果實(shí)圖像灰度圖效果最好，亮度較為明顯。果實(shí)圖像的灰度轉(zhuǎn)換如圖2.1所示，其中圖（a）為數(shù)據(jù)庫(kù)中的一張?jiān)脊麑?shí)圖像，該圖像為RGB三通道彩色圖像，使用加權(quán)平均法進(jìn)行圖像灰度化處理后，可得到該果實(shí)圖像的灰度圖，如圖（b）所示，該果實(shí)圖像的灰度圖為單通道圖像。（a）（b）圖2.1果實(shí)圖像的灰度轉(zhuǎn)換（a）數(shù)據(jù)庫(kù)中的果實(shí)圖像；（b）果實(shí)圖像灰度圖（2）圖像歸一化當(dāng)果實(shí)圖像數(shù)據(jù)輸入到卷積神經(jīng)網(wǎng)絡(luò)做樣本訓(xùn)練之前，在圖像預(yù)處理環(huán)節(jié)中還需要進(jìn)行圖像歸一化處理，將其變換為固定標(biāo)準(zhǔn)形式，使圖像數(shù)據(jù)在卷積神經(jīng)網(wǎng)絡(luò)中進(jìn)

第2章果實(shí)采摘機(jī)器人視覺(jué)系統(tǒng)的算法研究10下來(lái)果實(shí)圖像數(shù)據(jù)輸入到卷積神經(jīng)網(wǎng)絡(luò)中進(jìn)行訓(xùn)練做好了鋪墊。圖像歸一化后有以下兩個(gè)好處：（a）提升卷積神經(jīng)網(wǎng)絡(luò)模型在訓(xùn)練數(shù)據(jù)時(shí)的收斂速度；（b）提升卷積神經(jīng)網(wǎng)絡(luò)模型中分類器的準(zhǔn)確性。如下圖2.2所示，以數(shù)據(jù)集中的一張果實(shí)灰度圖為例，采用min-max標(biāo)準(zhǔn)化的方法對(duì)其進(jìn)行圖像歸一化處理。其中圖（a）為原始的果實(shí)灰度圖，圖（b）為經(jīng)歸一化處理后的結(jié)果圖。（a）（b）圖2.2圖像歸一化處理（a）原始的果實(shí)灰度圖；（b）歸一化處理后的結(jié)果圖（3）圖像增強(qiáng)在圖像預(yù)處理環(huán)節(jié)中，經(jīng)常會(huì)用到ImageDataGenerator（）來(lái)進(jìn)行圖像增強(qiáng)，通過(guò)擴(kuò)充數(shù)據(jù)集大小可以有效避免圖像數(shù)據(jù)集輸入到卷積神經(jīng)網(wǎng)絡(luò)中進(jìn)行訓(xùn)練時(shí)發(fā)生過(guò)擬合現(xiàn)象。在本文使用的Keras框架中，采用Keras.preprocessing.imgae模塊中的ImageDataGenerator（）作為本文搭建的卷積神經(jīng)網(wǎng)絡(luò)模型中的果實(shí)圖像生成器，用于批量生成數(shù)據(jù)，并且可以反復(fù)調(diào)用該生成器，在每次訓(xùn)練時(shí)都給網(wǎng)絡(luò)模型輸入一個(gè)batch_size大小的樣本數(shù)據(jù)，并能夠通過(guò)對(duì)樣本數(shù)據(jù)的增強(qiáng)變換來(lái)對(duì)數(shù)據(jù)進(jìn)行擴(kuò)充，能夠避免網(wǎng)絡(luò)訓(xùn)練時(shí)發(fā)生過(guò)擬合現(xiàn)象，增強(qiáng)網(wǎng)絡(luò)模型的泛化能力。本文在對(duì)果實(shí)圖像數(shù)據(jù)進(jìn)行數(shù)據(jù)增強(qiáng)操作時(shí)，可以對(duì)圖像進(jìn)行旋轉(zhuǎn)、位移、放大、縮小等變換操作。果實(shí)圖像經(jīng)此方法預(yù)處理后，將不會(huì)出現(xiàn)任何兩張完全相同的圖片，將有利于抑制訓(xùn)練過(guò)程中產(chǎn)生的過(guò)擬合現(xiàn)象，同時(shí)能夠使模型的泛化能力得到增強(qiáng)。不過(guò)需要注意以下幾點(diǎn)：（1）flow（）函數(shù)將會(huì)返回一個(gè)生成器。這個(gè)生成器用來(lái)擴(kuò)充數(shù)據(jù)集大小，每次都會(huì)產(chǎn)生batch_size個(gè)樣本。例如：導(dǎo)入了一張圖像，因此每次生成的圖像都是基于這張圖像而產(chǎn)生的，可以看到結(jié)果中，旋轉(zhuǎn)、位移、放大、縮小等，統(tǒng)統(tǒng)都有；（

【參考文獻(xiàn)】：
期刊論文
[1]蘋(píng)果采摘機(jī)器人控制系統(tǒng)設(shè)計(jì)[J]. 王琪,丁柏文,陳萍.  機(jī)械制造與自動(dòng)化. 2019(05)
[2]自然環(huán)境下柑橘采摘機(jī)器人識(shí)別定位系統(tǒng)研究[J]. 楊長(zhǎng)輝,劉艷平,王毅,熊龍燁,許洪斌,趙萬(wàn)華.  農(nóng)業(yè)機(jī)械學(xué)報(bào). 2019(12)
[3]自然場(chǎng)景下葡萄定位方法的研究[J]. 胡洋洋,馬本學(xué),李小霞.  新疆農(nóng)機(jī)化. 2018(04)
[4]中國(guó)水果產(chǎn)業(yè)供給側(cè)改革與發(fā)展趨勢(shì)[J]. 鄧秀新.  現(xiàn)代農(nóng)業(yè)裝備. 2018(04)
[5]基于獼猴桃果萼圖像的多目標(biāo)果實(shí)識(shí)別方法[J]. 陳禮鵬,穆龍濤,劉浩洲,谷新運(yùn),傅隆生,崔永杰.  計(jì)算機(jī)工程與設(shè)計(jì). 2018(06)
[6]基于卷積神經(jīng)網(wǎng)絡(luò)的菊花花型和品種識(shí)別[J]. 袁培森,黎薇,任守綱,徐煥良.  農(nóng)業(yè)工程學(xué)報(bào). 2018(05)
[7]基于改進(jìn)卷積神經(jīng)網(wǎng)絡(luò)的多種植物葉片病害識(shí)別[J]. 孫俊,譚文軍,毛罕平,武小紅,陳勇,汪龍.  農(nóng)業(yè)工程學(xué)報(bào). 2017(19)
[8]基于深度卷積神經(jīng)網(wǎng)絡(luò)的番茄主要器官分類識(shí)別方法[J]. 周云成,許童羽,鄭偉,鄧寒冰.  農(nóng)業(yè)工程學(xué)報(bào). 2017(15)
[9]夜間自然環(huán)境下荔枝采摘機(jī)器人識(shí)別技術(shù)[J]. 熊俊濤,林睿,劉振,何志良,楊振剛,卜榕彬.  農(nóng)業(yè)機(jī)械學(xué)報(bào). 2017(11)
[10]非結(jié)構(gòu)環(huán)境中擾動(dòng)葡萄采摘點(diǎn)的視覺(jué)定位技術(shù)[J]. 熊俊濤,何志良,湯林越,林睿,劉振.  農(nóng)業(yè)機(jī)械學(xué)報(bào). 2017(04)

碩士論文
[1]基于CNN的手骨異常檢測(cè)研究與系統(tǒng)實(shí)現(xiàn)[D]. 潘雪峰.東北師范大學(xué) 2019
[2]基于卷積神經(jīng)網(wǎng)絡(luò)的體液細(xì)胞顯微圖像識(shí)別方法研究[D]. 閆妍.湘潭大學(xué) 2018
[3]基于卷積神經(jīng)網(wǎng)絡(luò)和機(jī)器視覺(jué)的辣椒檢測(cè)與識(shí)別[D]. 丁文寬.天津理工大學(xué) 2017
[4]基于深度學(xué)習(xí)的水果圖像識(shí)別算法研究[D]. 王前程.河北大學(xué) 2016
[5]蘋(píng)果采摘機(jī)器人重疊果實(shí)快速動(dòng)態(tài)識(shí)別及定位研究[D]. 沈甜.江蘇大學(xué) 2016



本文編號(hào)：3508150